基于軌跡數據的船舶航行時間預測研究

孫書盛

摘 要：隨著航運業的不斷發展，社會和客戶對船舶航行安全和服務質量的要求不斷提升，因此水上交通數據的收集和處理變得越來越重要。文章基于重慶水上交通管理監控系統的GPS軌跡數據，在進行數據預處理后設計了相關的BP神經網絡航段航行時間預測模型，可以通過船舶類型和航行影響因子較為準確地預測特定航段的船舶航行時間，為水上交通數據的處理提供了一種新的思路。

關鍵詞：航段航行時間預測；BP神經網絡；GPS軌跡數據

中圖分類號：U694 文獻標識碼：A 文章編號：1006-8937（2016）23-0064-02

1 概 述

重慶是長江上游關鍵的交通樞紐，是西部地區唯一與長江黃金水道相連的特大城市，為了促進長江航運業和重慶航運經濟的發展，各種信息化航運系統層出不窮，航運數據量激增，但是大量數據的價值并未得到有效開發。如何最大限度地利用已有數據，提高重慶航運效率，降低航運成本，增加航運收益，是重慶長江航運新的研究熱點。

首先，水上交通與地面交通存在很多相似點，因此對于航運數據的分析應多借鑒地面交通數據的分析方法。對于地面交通，浮動車系統已日趨成熟，針對浮動車系統采集的數據國內外學者進行了大量研究，其中關于路段行程時間預測，國內學者已取得了一定的研究成果。方志偉[1]以浮動車數據為基礎，利用BP神經網絡建立了路段平均行程時間的預測模型。羅虹[2]提出了實時公交車輛到達時間預測模型，并根據該預測模型建立了公交車到達時間預測系統。姜桂艷、常安德等[3]利用出租車 GPS數據，得到了估計精度更高的路段平均速度。

對于水上交通采集到的數據，國內學者開展的研究主要為軌跡預測。徐婷婷，柳曉鳴和楊鑫[4]提出以預測船位差實現航跡預測的思想， 并設計了基于三層BP神經網絡的航跡預測模型。郭文剛[5]采用新的控制技術，對BP神經網絡的船舶航跡控制進行了計算和航跡設計實現。劉錫鈴，阮群生和龔子強[6]結合船載終端GPS定位數據的特點，提出了一種基于離散小波變換的數據預處理方法和一種改進的預測算法。

而針對水上交通的航段航行時間預測的研究卻很少。譚覓[7]在充分利用AIS信息的基礎上，提出了基于航線匹配的船舶到達時間預測算法。上文研究使用的是AIS數據，而對于船舶GPS數據利用方面，進行航段航行時間預測的研究幾乎沒有。本文首先對提取的船舶航行GPS軌跡數據進行預處理，得出航段航行時間數據，然后利用BP神經網絡對預處理結果進行分析，設計出了時間預測模型，對船舶航行進行時間預測。

2 數據預處理

本文數據來源為重慶水上交通管理監控系統軌跡提取，為系統注冊船舶發回的真實軌跡數據。重慶市水上交通管理監控系統是重慶市港航管理局委托深圳市成為軟件公司開發和集成的項目。本文主要使用的是系統的船舶動態監控功能，提取船舶的經緯度、航向、速度等軌跡數據加以分析研究。

由于長江航段較長，數據量巨大，本文僅選取重慶-三峽航段的數據進行研究，其他航段的數據研究可以通過本文的方法進行類推。

數據預處理首先是對船舶GPS數據進行統計分析，將軌跡數據轉化為航行數據，提取出特定航段的航行時間。然后是將船舶類型和航行影響因子量化：船舶類型字段中，1代表集裝箱船，2代表滾裝船，3代表化危品船；航行影響因子是對航行開始起三天內的天氣情況和航行數據情況進行打分，分數為1—5分，分數越高對船舶航行的影響越大，天氣數據來源為天氣網，航行數據來源為重慶水上交通管理監控系統。本文示例數據，見表1。

3 基于BP神經網絡的時間預測模型

該BP神經網絡是典型的三層結構，如圖1所示，由包含兩個輸入端的輸入層、包含一個輸出端的輸出層和隱含層組成；x、y、t分別為船舶類型、航行影響因子、航行時間，x、y是模型的輸入，t是模型的輸出。w為輸入層神經元和隱含層神經元的連接權重；v為隱含層神經元和輸出層神經元的連接權重。

人工神經網絡的最主要特征之一是可以學習。學習過程是通過外界輸入的刺激，讓神經網絡的連接權值不斷改變，使得模型最終的輸出結果不斷接近期望，本質是對各連接權值的動態調整。BP神經網絡采用的學習的類型是有導師學習，學習過程，如圖2所示。

本文預測模型使用MATLAB R2014b編程，隱含層有6個神經元，輸出層有1個神經元，隱含層的激活函數為tansig，輸出層的激活函數為logsig，訓練函數為梯度下降函數，輸出結果如圖3所示。模型輸出結果為實際時間與預測時間的比較，折線為實際航行時間，“+”表示預測時間。由圖3可見，預測模型的結果誤差較小，說明BP神經網絡能夠學會實際航行中船舶的時間規律，在船舶航行時間預測中具有實際使用價值。

4 結 語

本文分析了水上交通數據分析現狀，參考地面交通數據分析方法，以船舶航行軌跡數據為基礎，構造BP神經網絡時間預測模型，介紹了BP神經網絡的學習過程和預測結果，模型結果可以較為準確地預測船舶的航行時間，具有一定的現實意義。由于時間關系，本文存在很多不足，航行影響因子打分可以考慮更多指標進行更為細致地評估，希望在以后的學習研究中不斷完善。

參考文獻：

[1] 方志偉.基于浮動車數據的城市路段行程時間預測研究[D].北京：北京 交通大學，2007.

[2] 羅虹.基于GPS的公交車輛到達時間預測技術研究[D].重慶：重慶大學，

2007.

[3] 姜桂艷，常安德，李琦，等.基于出租車GPS數據的路段平均速度估計模 型[J].西南交通大學學報，2011，04：638-644.

[4] 徐婷婷，柳曉鳴，楊鑫.基于BP神經網絡的船舶航跡實時預測[J].大連海 事大學學報，2012，01：9-11.

[5] 郭文剛.基于BP神經網絡的船舶航跡控制技術[J].艦船科學技術，

2014，08：87-93.

[6] 劉錫鈴，阮群生，龔子強.船舶航行GPS定位軌跡的新預測模型[J].江南 大學學報（自然科學版），2014，06：686-692.

[7] 譚覓.基于航線匹配的控制河段船舶航行時間預測算法研究[D].重慶：

重慶大學，2014.